数据空间提供跨组织的主权化、受治理的数据共享，但其与大语言模型（LLM）代理的交互存在根本冲突：前者依赖明确的政策与服务接口，后者采用概率性的自然语言交互。为弥合这一差距，本文提出一种基于模型上下文协议（MCP）的架构中介方案，并通过 Eunomia Agent 实现。
Eunomia Agent 在 LLM 与数据空间之间插入一层协议翻译层。它将数据空间的能力（如目录查询、元数据获取、数据服务调用）映射为结构化、基于 JSON‑Schema 的工具描述，使 LLM 能在遵守治理约束的前提下发现并调用这些工具。协议本身携带权限标识和合规校验，确保所有交互均符合数据空间的政策模型。
关键技术实现包括：
- 能力抽象：使用 MCP 的
Capability对象描述数据服务的输入输出 schema。 - 工具生成：Eunomia 动态生成符合 OpenAI Function Calling 规范的工具定义，供 LLM 在对话中直接调用。
- 治理拦截：在每次调用前检查请求的权限标签，拒绝或改写不符合策略的参数。
原型在一个标准化的数据空间实例上完成端到端验证：LLM 通过对话触发目录发现 → 获取数据集元数据 → 发起受限的数据访问请求，整个过程未对原有数据空间组件进行任何修改。实验表明，基于协议的中介能够实现即插即用的互操作，且保持了数据空间的标准兼容性。
该方法为希望在受治理的数据共享环境中引入 AI 自动化的组织提供了可落地的参考框架：通过协议层实现关注点分离，既保留了数据治理的完整性，又让 LLM 具备可编程的业务能力。
点评：本文展示了以协议为桥梁的系统设计思路，兼顾了合规性与灵活性，为未来 AI 与数据空间的深度融合奠定了技术基础。